# 画像テキスト変換

Gemma 3 4Bに基づく量子化バージョンの画像テキスト変換モデルで、知識を大衆に利用してもらうことを目的としています。

Gemma 3 12B ITはGoogleが開発した大規模言語モデルで、マルチモーダル入力と長いコンテキスト処理をサポートしています。

Gemma 3 4Bモデルを基に、Glitter 12bと同じデータ混合スキームで最適化されたモデル

Granite Vision 3.2 2B Abliterated は、画像テキストからテキストへの変換タスクに特化した視覚言語モデルです。

Granite Vision 3.2 2B は IBM が開発した視覚言語モデルで、画像テキストからテキストへの変換タスクに特化しています。

ヘルメスフローは汎用的なマルチモーダル大規模言語モデルアライメントフレームワークで、自律的に同源の嗜好データを生成し、セルフゲームによる反復最適化とペアリングDPO技術を通じて、マルチモーダル理解と生成のギャップをシームレスに埋めることができます。

LLaVAは大規模な言語と視覚のアシスタントモデルで、画像とテキストのマルチモーダルタスクを処理できます。

GITはTransformerベースの生成的画像からテキストへのモデルで、視覚的コンテンツを記述的なテキストに変換できます。